Frente à detecção de alvos de veículos em condições meteorológicas complexas, a presença de alvos desfocados e ocultos tem provocado uma diminuição significativa na precisão da detecção de veículos. Neste sentido, é proposto um algoritmo de detecção de veículos aprimorado YOLO-CGT, destinado a cenários de entrada de imagens de câmeras de veículos, baseado na estrutura YOLOv8 e introduzindo várias melhorias que aumentam significativamente a estabilidade da detecção em ambientes complexos. Para isso, é projetado um módulo de agregação de múltiplas escalas de resíduos que substitui a estrutura C2f original para melhorar a utilização de informações originais e reduzir o problema do desaparecimento do gradiente devido à profundidade da rede; é introduzido um módulo de agregação espacial que funde a extração de informação global e a percepção de informação local; é projetado um cabeçalho de detecção dinâmica de baixo peso para garantir um equilíbrio entre a precisão e a eficiência da detecção; é introduzida uma métrica de distância mínima do ponto interno Intersection over Union (Inner-Minimum Points Distance Intersection over Union, Inner-MPDIoU) para substituir a IoU tradicional e reduzir o problema da sobreposição de caixas de objetos. Após treinar e validar em um conjunto de dados de veículos em condições meteorológicas complexas, os resultados experimentais mostram que a precisão média dessa abordagem atinge 81,4%, um aumento de 6,3% em relação aos métodos anteriores. O número de parâmetros do modelo é 3,259×10⁶, e a quantidade de cálculo é 9,7GFLOPs, garantindo ao mesmo tempo a capacidade de implantação leve do modelo. Este método de pesquisa fornece uma garantia poderosa para a operação segura e estável dos sistemas de direção autônoma.

Direção autônoma; Detecção de veículos; YOLOv8; Condições meteorológicas complexas; Recursos de escala múltipla